基于熵權(quán)AHP理論的駕駛傾向性辨識評價方法

劉 萌，鄒忠義，黃 斐

（公安海警學(xué)院 后勤系，浙江 寧波 315801）

基于熵權(quán)AHP理論的駕駛傾向性辨識評價方法

劉 萌，鄒忠義，黃 斐

（公安海警學(xué)院 后勤系，浙江 寧波 315801）

駕駛傾向性反映的是在不同的環(huán)境中汽車駕駛員的心理情感狀態(tài)，只能根據(jù)駕駛員在日常駕駛過程中的行為進行推測，而無法精確測量，因此這在交通安全研究中具有一定的難度。由于對駕駛員駕駛傾向性辨識需要涉及到很多個指標，采用單一評價方法易受評價主體主觀影響，本文將層次分析法和熵權(quán)法結(jié)合起來，對機動車駕駛員駕駛傾向性進行辨識。

駕駛傾向性；熵值法；AHP法

汽車作為日常出行主要的交通工具，給人們的生活帶來了極大的便利，同時也帶來了很多交通安全隱患。國際國內(nèi)學(xué)者的相關(guān)研究表明，由于人為因素造成的交通事故占事故總數(shù)高達90%以上，而由于駕駛員的原因造成的交通事故又高達70%。因此，可以認為駕駛員自身因素是造成交通事故的主要因素之一，影響駕駛員的因素包括駕駛員的年齡、性別、駕齡、操作習慣等，不同的個體具備不同的駕駛心理特征，這些都可以歸納到駕駛傾向性上。駕駛傾向性反映的是在不同的環(huán)境中汽車駕駛員的心理情感狀態(tài)，只能根據(jù)駕駛員在日常駕駛過程中的行為進行推測，而無法精確測量，因此這在交通安全研究中具有一定的難度。在已有的研究中，主要集中在駕駛員心理對駕駛行為的預(yù)測，或者集中在駕駛員意圖的辨識，很少有研究對駕駛傾向性進行量化分析。由于對駕駛員駕駛傾向性辨識需要涉及到很多個指標，采用單一評價方法易受評價主體主觀影響，組合評價將不同評價方法優(yōu)化組合，揚長避短。本文將層次分析法和熵值法結(jié)合起來，對機動車駕駛員駕駛傾向性進行辨識。

1 駕駛傾向性辨識評價指標體系的建立

1.1 駕駛傾向性的影響因素

根據(jù)常見的不安全駕駛行為，提取了決定駕駛員駕駛傾向的駕駛員因素、駕駛風格和環(huán)境因素等三個指標，構(gòu)建了駕駛傾向性評價模型。

1.1.1 駕駛員自身因素

駕駛傾向性影響因素與個體生理心理等因素有直接的關(guān)系。同等情況下，女司機在反應(yīng)速度上要比男司機慢，需要更長的反應(yīng)時間；對駕駛員而言，對車距的把握、車速的控制以及道路情況的判斷相當重要；當駕駛?cè)嗽谏』蛘咂跔顟B(tài)下開車時，注意力和反應(yīng)力也會大大的降低；不同性格的駕駛員在遇到危險時，所采取的方法也有差異，因此經(jīng)常將性格與駕駛傾向性聯(lián)系在一起。因此，駕駛員自身因素可以分解為以下四個指標：生理因素、健康狀況、性格因素、以及感知特性。

1.1.2 駕駛風格因素

駕駛員對機動車的操作風格反映了他對行駛狀態(tài)和外界環(huán)境的感知，因此可以通多對駕駛員駕駛風格的推測來預(yù)測其駕駛傾向性。不同駕駛傾向性的司機在速度、安全車距、變道以及緊急制動上表現(xiàn)是不一樣的。一般來說，性格比較沖動的駕駛員車速比較快、安全車距比較小，喜歡緊急制動或者踩油門。因此，駕駛風格因素可以分解為以下三個指標：行駛車速、剎車油門踏板使用頻率、車道改變頻率。

1.1.3 駕駛環(huán)境因素

機動車的內(nèi)部環(huán)境包括溫度、聲音、座椅等的舒適性以及車內(nèi)的安全感直接影響著駕駛員的精神狀態(tài)；機動車所處的外部環(huán)境，如道路條件、天氣條件以及交通密度等與駕駛員駕駛傾向性也密切相關(guān)。當雨雪天氣下，道路濕滑，交通擁堵很容易造成駕駛員緊張焦慮的情緒，對駕駛傾向的影響較為明顯。因此駕駛環(huán)境因素可以分解為車內(nèi)環(huán)境、道路環(huán)境、氣候環(huán)境以及交通干擾因素四個指標。

1.2 駕駛傾向性綜合評價指標的設(shè)立

根據(jù)以上分析，可以建立如圖1所示的駕駛員駕駛傾向性綜合評價指標體系。

圖1 駕駛員駕駛傾向性綜合評價指標體系

2 基于熵權(quán)AHP法的駕駛傾向性辨識評價體系

2.1 模型構(gòu)建

2.1.1 層次分析法確定指標權(quán)重

層次分析法(AHP)是一種定性和定量分析相結(jié)合的系統(tǒng)分析方法，將人的主觀判斷用數(shù)量形式表達和處理,在社會經(jīng)濟研究的多個領(lǐng)域得到了廣泛的應(yīng)用。該方法把復(fù)雜問題分解成各個組成因素，通過兩兩比較的方式確定層次中諸因素的相對重要性。通過構(gòu)造兩兩比較判斷矩陣,確定層次內(nèi)指標的權(quán)重。一般情況下,采用9級標度來表達因素之間的相對重要性程度（如表1所示）。

表1 各標度數(shù)值的含義

假定上一層指標支配下一層的指標有n個，則這n個指標就可以構(gòu)成一個兩兩判斷矩陣A（aij）n×n。其中，aij表示指標i與指標j的重要性之比，指標j與指標i的重要性之比則為若向量ω=（ω，ω，…ω）T滿足Aω=λ ω，則式中

12nmax的λmax為矩陣A的最大特征根。則ω為相應(yīng)的特征向量,歸一化后的ω可以作為權(quán)向量。這種方法叫做特征根法。本文采用該方法確定層次內(nèi)的權(quán)重。由于客觀事物復(fù)雜多變，人們對事物的認識往往具有片面性，要達到完全一致是非常困難的，因此在對一個判斷矩陣進行單層排序后需要對判斷矩陣進行一致性檢驗。首先要通過公示計算出一致性指標，然后對照表2查找相應(yīng)的平均隨機一致性指標R.I.，最后通過公式計算一致性比例。

表2 隨機一致性指標R.I.的取值

當C.R.＜0.1認為判斷矩陣的一致性是可以接受的,將各權(quán)向量作為三級指標對于二級指標的主觀權(quán)重，當C.R.＞0.1時,應(yīng)該對判斷矩陣作適當?shù)男拚?/p>

2.1.2 熵權(quán)法確定指標權(quán)重

熵權(quán)法是一種客觀賦權(quán)方法，它是信息論中用于度量信息量的，即一個系統(tǒng)越是有序，信息熵就越低；反之，信息熵就越高。因此，信息熵也可以說是系統(tǒng)無序程度的一個度量。在評價過程中，所獲信息的大小是評價精度和可靠性的決定因素之一，如果指標的信息熵越小，該指標提供的信息量越大，在綜合評價中所起作用也越大，權(quán)重也越高。以模糊綜合評價矩陣R作為研究系統(tǒng)，H（i）為系統(tǒng)同一個層次中第i個指標的熵值，計算公式為規(guī)定rij=0時，H（i） =0。在具體的分析過程中，可以利用熵值計算出各個指標變量的變異程度，并根據(jù)變異程度賦予指標權(quán)重，加權(quán)之后可以得出較為客觀的綜合評價結(jié)果。第i個指標的熵權(quán)可表示為：同理，可以求出其他指標對應(yīng)的權(quán)重，這樣就可以得出基于熵權(quán)法的指標權(quán)重向量ωi'=（ω1'，ω2'，…ωn'）。

2.1.3 基于模糊綜合評價法的駕駛傾向性辨識模型

根據(jù)ωi=aωi'+（1-a）ωi"，其中a為系數(shù)，且0≤a≤1。權(quán)重會隨著a數(shù)值的改變而改變，當a=0時，權(quán)重即為層次分析法下的權(quán)重，當a=1時，權(quán)重即為熵權(quán)法下的權(quán)重。本文結(jié)合實際情況，取a=0.5。

2.1.4 建立評價集

根據(jù)評估的需要，將駕駛員的駕駛傾向類型用駕駛傾向粒度來表示：最內(nèi)傾的駕駛員傾向粒度為0，最外傾的駕駛員傾向粒度為1，所有的駕駛員傾向粒度均在［0，1］之間，駕駛傾向粒度越小，表明駕駛傾向越內(nèi)傾，反之則越外傾。如表3所示。

表3 不同駕駛傾向類型對應(yīng)的駕駛傾向粒度

2.2 實證分析

利用該模型對海苑駕校1位教練的駕駛傾向性進行測定，采用5名專家對被測定者的駕駛員自身因素、駕駛風格因素、駕駛環(huán)境因素進行打分。該過程分兩步，第一步是各專家對指標體系進行打分，分別計算出層次分析法下和熵值法下的權(quán)重，然后求出綜合權(quán)重并進行一致性檢驗；第二步是專家對各教練的駕駛習慣進行打分，進行綜合評價。

2.2.1 構(gòu)造判斷矩陣并計算權(quán)重

對于駕駛傾向性辨識因素而言，由專家對指標相對重要性進行兩兩比較，可得如下判斷矩陣。層次分析法下得指標權(quán)重為ωA'=（0.2389，0.1374，0.6237）T。熵權(quán)法下可得權(quán)重為ωA"=（0.4044，0.2774，0.3182）T。

2.2.2 一致性檢驗

對駕駛傾向性辨識因素進行一致性檢驗。由Aω=λmaxω，可得λmax=3.038，則C.I.=0.019，查表2可得R.I.=0.58，則C.R.=C.I.R.I.=0.033＜0.1，通過檢驗。對駕駛員自身因素進行一致性檢驗。由B1ω=λmaxω，可得λmax=4.0466，則C.I.=0.0155。查表2可得R.I.=0.9，則C.R.=C.I.R.I.=0.0172＜0.1，通過檢驗。對駕駛技術(shù)因素進行一致性檢驗。由B2ω=λmaxω，可得λmax=3.01，則C.I.=0.005，查表2可得R.I.=0.58，則C.R.=C.I.R.I.=0.0086＜0.1，通過檢驗。對駕駛環(huán)境因素進行一致性檢驗。由B3ω=λmaxω可得λmax=4.051，則C.I.=0.017。查表2可得R.I.=0.9，則C.R.=C.I.R.I.=0.0189＜0.1，通過檢驗。因此，所有指標均通過檢驗。

2.2.3 綜合權(quán)重

根據(jù)公式ωi=aωi'+（1-a）ωi"可得各級指標的綜合權(quán)重為：T

因此，可得各指標的綜合權(quán)重為：ω=（0.0379，0.0878，0.0599，0.136，0.091，0.0705，0.04 59，0.046，0.1416，0.099，0.1844）T。

邀請 5位專家對各指標進行量化風險評價，其結(jié)果作為該教練員駕駛傾向性評價結(jié)果，如表4所示。教練員駕駛傾向粒度值為0.618，對照表3可得該教練員駕駛傾向為弱外傾性。

3 結(jié)語

本文針對駕駛員心理變化較大，個體差異比較明顯的特征，構(gòu)建了駕駛傾向性識別指標體系，對運用熵權(quán)法和層次分析法對各指標賦予權(quán)重，對駕駛員駕駛傾向性進行了評判，并進行了實證檢驗。模型表明，利用該指標體系在研究駕駛員駕駛傾向性的過程中是可行的，并在宏觀上對預(yù)防交通安全事故有重要的意義。

表4 指標因素風險評估表

[1]余臘生,何滿慶.基于Agent和情感計算的司機駕駛行為模型研究[J].企業(yè)技術(shù)開發(fā)，2009,28（3）:19-21.

[2]馬艷,王令,郭華.駕駛員交通心理劃分與個性化訓(xùn)練研究[J].公路交通科技,2008,25（9）:363-366.

[3]敖谷昌,楊利.機動車駕駛員人為因素與交通事故危害性關(guān)聯(lián)分析[J].重慶交通大學(xué)學(xué)報:自然科學(xué)版,2010,29（1）:121-124.

Driving Tendentiousness Recognition Based on Theory of Entropy AHP Evaluation Methods

LIU Meng，ZOU Zhongyi，HUANG Fei
（China Maritime Police Academy,Ningbo 315801,China）

Driving orientation reflects the car driver in the different environment of psychological emotional state,only according to speculate in the process of driver in daily driving behavior,and is unable to accurately measure,so it has certain difficulty in the study of traffic safety.Due to driver's driving tendentiousness recognition need to involve a number of indicators,using the single evaluation method and easilyinfluenced bysubjectiveevaluation subject,thispapercombined theanalytic hierarchy process(ahp)and entropy weight method,to identify motorists driving tendency.

Driving tendency；Entropy value method;The AHP method

U491.254

：A

：2095-2384（2016）01-0012-04

（責任編輯 儲 歡）

2015-12-15

公安部技術(shù)研究計劃（2014JSYJB023）。

劉萌（1982-），男，江蘇鎮(zhèn)江人，講師，研究方向：部隊后勤管理。